Premiers pas en WebScraping
Introduction à la collecte automatique de données du Web
Cet article peut être utilisé pour une initiation aux bases de la collecte automatique de données du Web avec R. De nombreux aspects et méthodes de webscraping qui ne sont pas abordés dans ce document sont présenté sur ce site web associé plus complet et approfondie sur le webscraping avec R et Python.
Introduction
Le web scraping, ou extraction de données sur le web, est une technique qui consiste à extraire de manière automatisée des informations à partir de sites web. En d’autres termes, c’est comme si vous utilisiez un robot pour récupérer des données à partir de pages web, plutôt que de le faire manuellement.
En sciences humaines et sociales, le web scraping peut être utilisé pour collecter des données pertinentes sur des sites web, forums, blogs, des réseaux sociaux, ou autres sources en ligne. Cette méthode peut être particulièrement utile pour analyser des tendances, des opinions, des dynamiques… ou tout simplement pour constituer une base de données à partir de plusieurs sources web. L’utilisation de R pour le web scraping permet d’automatiser ces processus et d’analyser les données extraites de manière efficace.
Le Web scraping permet d’extraire des informations spécifiques d’une page web en analysant sa structure HTML et en extrayant uniquement les éléments pertinents. Cette pratique demande ainsi quelques connaissances techniques en matière de web, de langague de balisage HTML et de le CSS, qui permettent respectivement de structurer une page web et de définir l’apparence et la mise en forme des différents éléments du document.
Au delà de présenter le web scraping avec R, cet article aborde dans un premier temps les connaisances indispensables à la mise en place d’une collecte de données automatisée.
Le Web scraping regroupe différentes techniques plus ou moins complexes. Cet article, qui est une inititation à la pratique de la collecte automatique de données présente le cas d’utilisation le plus simple. Pour aller plus loin et se former à des techniques plus avancées, vous pouvez consulter ce support de formation plus détaillé : https://webscraping.gitpages.huma-num.fr/website/
1 Bases techniques
L’extraction automatisé de données du web requiert des prérequis indispensables : certaines connaissances spécifiques liées à la structure d’une page web et une compréhension des principes techniques sous-jacents. Vous devez ainsi acquérir une connaissance du langage HTML (balises) et une familiarité avec le CSS (sélecteurs) pour identifier, cibler et extraire les éléments d’une page web.
1.1 Le langage HTML
Le HTML, acronyme de HyperText Markup Language (langage de balisage hypertexte en français), est un langage informatique utilisé pour structurer et organiser le contenu des pages web.Il utilise une syntaxe basée sur des balises (tags) pour délimiter les différents éléments d’une page.
1.1.1 Les balises
Il n’y a pas de nombre fixe de balises HTML, car de nouvelles balises peuvent être introduites avec les versions futures du langage HTML. Cependant, il existe un ensemble de balises HTML standard définies dans les spécifications du W3C (World Wide Web Consortium1). Pour obtenir la liste la plus à jour des balises HTML, vous pouvez consulter la documentation officielle du W3C.
Chaque balise est entourée des symboles < et
> et peut contenir des attributs qui spécifient des
propriétés supplémentaires pour l’élément. Si aucune balise n’est
obligatoire dans une page HTML, il est de convention d’avoir la
structure de base suivante :
<!DOCTYPE html>
<html>
<head>
<title>Titre de la page</title>
</head>
<body>
<!-- Contenu de la page -->
</body>
</html><!DOCTYPE html>: En début du document, indique au navigateur qu’il s’agit d’une page HTML52.<html>: Englobe tout le contenu de la page HTML. Définit le début et la fin du document HTML.<head>: Contient les métadonnées de la page, des liens vers des fichiers annexes (CSS, javascript…), etc.<title>: Pour définir le titre de la page qui apparaîtra dans la barre de titre du navigateur.<body>: Contient tout le contenu visible de la page, tel que le texte, les images, les liens, les tableaux, etc.
Dans la majorité des cas, on utilise une balise de fermeture pour
indiquer la fin de l’élémént. Une balise de fermeture présente un
/ avant le nom de la balise :
Le body peut contenir toute une variété de balises prédéfinies pour structurer et ajouter différents types de contenu dans la page web. Voici quelques balises indispensables à connaitre :
<h1>,<h2>, …,<h6>: Définissent les titres de différents niveaux.<p>: Définit un paragraphe.<a>: Crée un lien hypertexte.<img>: Insère une image.<ul>,<ol>,<li>: Créent des listes non ordonnées et ordonnées.<table>,<tr>,<td>: balises pour créer des tableaux avec des lignes et des cellules de données.<div>: Divise le document en sections ou en groupes de contenu.<span>: Applique des styles à des parties de texte.
Exemple de balise p (paragraphe) :
Dans cet exemple, les balises <p> et
</p> permettent de créer un paragraphe dont le
contenu est “Un paragraphe en langage HTML”.
Les différentes balises permettent ainsi de structurer, hierarchiser et organiser le contenu d’une page web. Elles peuvent s’emboiter indéfiniment.
1.1.2 Les attributs
Ces balises hiérarchisées et potentiellement regroupées, peuvent être
accompagnées d’attributs qui permettent de spécifier des informations
supplémentaires et jouer sur leur mise en forme, tels que des :
- identifiants (id),
- classes (class),
- liens (href),
- etc.
Ces attributs sont à spécifier dans les balises d’ouverture :
<body>
<div id="debut_doc">
<h1 class="categorie">Tous les articles</h1>
</div>
<div id="Liste_ref">
<h2 class="article">Titre article</h2>
<p class="summary">Résumé de l'article...</p>
<a href="https://www.article.org">Intégralité de l'article</a>
<h2 class="article">Titre article bis</h2>
<p class="summary">Résumé de l'article bis...</p>
<a href="https://www.article_bis.org">Intégralité de l'article bis</a>
</div>
</body>L’organisation segmenté du contenu via les balises div
ou span ainsi que les différents attributs spécifiés
permettent la mise en forme et le paramétrage des éléments. Les
attributs des balises peuvent être associés à une mise en forme
(couleur, taille, position, etc.) à l’aide du langage CSS (cf. partie suivante). Mais il s’agit
également d’éléments cruciaux pour la collecte automatisée de données
sur le web, car il permettent de cibler précisément des
éléments.
Il est par exemple possible de récupérer toutes les URL des articles
en ciblant le contenu de tous les attributs href des
balises <a> dans la <div> ayant
pour identifiant Liste_ref.
<div> → ayant pour id
“Liste_ref” → <a> →
contenu du href
1.2 Le langage CSS
Le CSS, ou Cascading Style Sheets (feuilles de style en cascade), est un langage de programmation utilisé pour décrire l’apparence et la mise en forme des documents HTML et XML. Il permet de contrôler l’apparence visuelle des différents éléments de pages web (taille, position, couleur, police, marges, etc.) via les sélecteurs CSS.
Le CSS peut être incorporé de différentes manières :
1. Directement dans les balises à l’aide de
l’attribut style :
2. Dans le document HTML, via la balise
<style> adaptée à cet effet :
<style>
h1 {
color: #f03b35;
font-size: 40px;
text-align: center;
}
</style>
<body>
<h1>Titre principal</h1>
</body>3. Dans une feuille de style externe (fichier texte
avec l’extension .css). Cette dernière méthode est à
privilégier car la séparation du contenu et la mise en forme facilite la
mise à jour des styles :
À chaque fois, le rendu graphique sera le suivant :
1.2.1 Les sélecteurs CSS simples
Plusieurs sélecteurs CSS permettent de cibler et styliser les différentes balises HTML :
1. Les sélecteurs d’éléments : permet de cibler tous les éléments d’un même type.
2. Les sélecteurs d’identifiants : permet de cibler
un élément spécifique par son identifiant
(id).
3. Les sélecteurs de classes : permet de cibler les
éléments ayant une classe spécifique
(class).
4. Les sélecteurs d’attributs : cible les éléments
ayant un attribut spécifique. Exemple : l’attribut href
(lien cliquable)
Il est possible de préciser sa cible en indiquant une valeur pour l’attribut.
1.2.2 Les sélecteurs complexes et combinateurs
Le CSS met également à disposition des sélecteurs complexes et combinateurs que l’on peut utiliser pour cibler des contenus de manière très précise. Quelques exemples :
A. Les sélecteurs descendants : cible les éléments qui sont descendants d’un autre élément.
B. Les sélecteurs de voisin direct : cible les nœuds qui suivent immédiatement un élément
1.3 Le code source d’une page web
La connaissance du HTML et du CSS vous permettra de comprendre et de naviguer dans le code source du page web. L’ensemble des navigateurs web modernes proposent des outils d’inspection du code source des pages web.
L’inspecteur de code source permet d’explorer le code source d’une page web en direct. Il permet l’identification des balises, des classes, des identifiants et des styles associés aux éléments, et ainsi de procéder à une extraction ciblée de données. En utilisant l’inspecteur de code source, vous accédez à toutes les informations nécessaires pour concevoir un script de scraping.
Pour y accéder, cliquez-droit n’importe où sur la page web ciblée, puis cliquez sur “Inspecter” :
Avec Google Chrome :
Avec Mozilla FireFox :
L’inspecteur s’ouvre et en utilisant l’outil de sélection (entouré en rouge), il donne la possibilité de naviguer dans le code source en survolant les différents éléments de la page, et vice versa.
Vous pouvez déplier le code source pour l’explorer en profondeur. Cet
article est une page HTML dans laquelle l’ensemble de la partie “2.
Bases techniques” semblent contenu dans une div ayant pour
identifiant “bases-techniques” :
En réalisant un clic-droit sur un élément, vous pouvez récupérer plusieurs choses. Cliquez sur copier :
Ainsi, vous pouvez récupérer aisément :
- l’intérieur du HTML (?)
- l’exterieur du HTML (?)
- Le sélecteur CSS (ex :
#bases-techniques) - Le chemin CSS (ex :
html body.preload div#content div#main div#bases-techniques.section.level1 - Le Xpath (ex :
//*[@id="bases-techniques"])
Ces trois derniers éléments pourront vous être précieux pour automatiser votre collecte.
#bases-techniques h2
permet ainsi de cibler tous les titres de niveau 2 présents dans
l’élément div ayant pour identifiant “bases-techniques”… Le
scraping peut commencer !
Fin de partie à développer !!!
2 Présentation du cas pratique et objectifs
2.1 Site web utilisé pour le scrapping
Nous allons passer à la mise en application à partir du site ScrapImmob. Il compile un ensemble d’annonces immobilières fictives sur plusieurs départements.
Dans un premier temps, nous pouvons naviguer sur le site afin de voir les informations qu’il contient. ScapImmob recense des annonces immobilières de maisons ou d’appartements dans dix départements français : l’Essonne, l’Eure, les Hauts-de-Seine, Paris, la Seine-Maritime, la Seine-Saint-Denis, la Seine-et-Marne, le Val d’Oise, le Val de Marne et les Yvelines. Chacune des annonces contient les informations suivantes :
- des photographies
- un titre d’annonces
- une description détaillée
- les caractéristiques du biens (surfaces, prix, nombre de chambres, etc.)
- la location avec l’information sur la commune, le département et une zone plus précise.
2.2 Exploration du site web
Pour scrapper, il est important de comprendre comment le site web est construit pour être capacité de cibler les bons élements lors du scrapping. Après avoir navigué sur ScrapImmob dans la partie précédente, nous pouvons donc commencer à explorer son code source. Pour cela, nous allons utiliser l’inspecteur de code expliqué dans la partie sur le code source d’une page web de cette fiche. Pour rappel, c’est à l’aide de l’inspecteur que nous pourrons donc trouver les balises, les classes, les identifiants et les styles associés aux éléments, et ainsi de procéder à une extraction ciblée des informations.
2.3 Objectifs
Avant de commencer à scrapper, il est important de définir nos objectifs et de clarifier les informations que l’on souhaite récupérer. Cela permet de construire un code optimisé récupérant uniquement les élements qui seront utiles à notre analyse. Nous souhaitons obtenir une base de
Définir ses objectifs ! = Présentation du système d’URL
lecture de chaque page de chaque bien Objectifs de ce scraping ?
3 Mise en pratique
3.1 Le package
rvest
Pour ce cas pratique, nous allons utilisé le package rvest, développé
par Hadley Wickham, qui facilite le scraping en utilisant les sélecteurs
CSS et XPath pour extraire les données des pages web.Il existe plusieurs
packages permettant de faire du webScraping avec R comme RSelenium.
Selon le site que vous souhaitez scraper et les fonctionnalités dont
vous avez besoin, il faut choisir le package le plus adapté. Dans notre
cas, ScrapImmob est un site statistique et bien structurées donc le
package rvest correspond bien à ce type de site web. A
l’inverse pour du scraping de pages web dynamiques ou nécessitant une
interaction utilisateur, RSelenium aurait été plus
adapté.
3.2 Découvrir les
fonctions principales de rvest
3.2.1 Scraping d’un extrait de code html
Commençons à explorer les principales fonctions du package
rvest à partir d’un extrait de code html du site ScrapImmob
:
#Exemple HTML simple
basic_html <- minimal_html( '<div class="card-body">
<a href="annonces/IDF_0078.html" class="stretched-link"></a>
<p class="card-text">Maison charmante de 96 m² avec grand jardin à Châtenay-Malabry</p>
</div>')- Les fonctions
read_elementouread_elementspermettent la récupération du 1er ou de tous les élements selon leur sélécteur CSS ou Xpath.
{xml_nodeset (1)}
[1] <p class="card-text">Maison charmante de 96 m² avec grand jardin à Châten ...
- La fonction
html_attrpermet l’extraction des données des attributs.
#Récupérer l'url indiqué dans l'attribut href
basic_html %>% html_elements("a") %>% html_attr("href")[1] "annonces/IDF_0078.html"
- Les fonctions
html_textouhtml_text2permettent l’extraction du texte d’un élément
[1] "Maison charmante de 96 m² avec grand jardin à Châtenay-Malabry"
3.2.2 Scraping de la première page du site ScrapImmob
Maintenant, nous allons nous exercer sur la première
page du site ScrapImmob. Nous récupérons le code de la page à l’aide
de la fonction read_html :
#Stockage de l'URL
urlannonce <- "https://analytics.huma-num.fr/Robin.Cura/ScrapImmob/"
#Lecture de l'URL
page <- read_html(urlannonce)Notre 1ère objectif est de récupérer les URLs des biens immobiliers de cette première page de ScrapImmob.
#Récupérer les url des biens immobiliers de la 1ère page
page %>% html_elements("div:nth-child(1) > div:nth-child(3) > a:nth-child(1)") %>% html_attr("href") [1] "annonces/IDF_0078.html" "annonces/IDF_0049.html"
[3] "annonces/IDF_0057.html" "annonces/IDF_0200.html"
[5] "annonces/Normandie_0255.html" "annonces/IDF_0275.html"
[7] "annonces/IDF_0121.html" "annonces/Normandie_0416.html"
[9] "annonces/Normandie_0105.html" "annonces/IDF_0134.html"
[11] "annonces/IDF_0238.html" "annonces/Normandie_0029.html"
[13] "annonces/Normandie_0011.html" "annonces/IDF_0379.html"
[15] "annonces/IDF_0287.html" "annonces/Normandie_0062.html"
[17] "annonces/Normandie_0252.html" "annonces/Normandie_0398.html"
3.2.3 Scraping des URLs de tous les biens immobiliers
#Récupérer les url des biens immobiliers de la 1ère page
extraire_liens <- function(url) {
page <- read_html(url)
liens <- page %>% html_elements("div:nth-child(1) > div:nth-child(3) > a:nth-child(1)") %>% html_attr("href")
return(liens)
}
#Récupérer le nombre de pages
nombre_de_pages <- 5
# Liste pour stocker tous les liens
liste_de_liens <- list()
#Boucle
for (i in 1:nombre_de_pages) {
url_page <- paste0(urlannonce, "?page=", i)
liens_page <- extraire_liens(url_page)
# Faire quelque chose avec les liens extraits (imprimer, stocker, etc.)
liste_de_liens <- c(liste_de_liens, liens_page)
}
liste_de_liens[[1]]
[1] "annonces/IDF_0078.html"
[[2]]
[1] "annonces/IDF_0049.html"
[[3]]
[1] "annonces/IDF_0057.html"
[[4]]
[1] "annonces/IDF_0200.html"
[[5]]
[1] "annonces/Normandie_0255.html"
[[6]]
[1] "annonces/IDF_0275.html"
[[7]]
[1] "annonces/IDF_0121.html"
[[8]]
[1] "annonces/Normandie_0416.html"
[[9]]
[1] "annonces/Normandie_0105.html"
[[10]]
[1] "annonces/IDF_0134.html"
[[11]]
[1] "annonces/IDF_0238.html"
[[12]]
[1] "annonces/Normandie_0029.html"
[[13]]
[1] "annonces/Normandie_0011.html"
[[14]]
[1] "annonces/IDF_0379.html"
[[15]]
[1] "annonces/IDF_0287.html"
[[16]]
[1] "annonces/Normandie_0062.html"
[[17]]
[1] "annonces/Normandie_0252.html"
[[18]]
[1] "annonces/Normandie_0398.html"
[[19]]
[1] "annonces/IDF_0078.html"
[[20]]
[1] "annonces/IDF_0049.html"
[[21]]
[1] "annonces/IDF_0057.html"
[[22]]
[1] "annonces/IDF_0200.html"
[[23]]
[1] "annonces/Normandie_0255.html"
[[24]]
[1] "annonces/IDF_0275.html"
[[25]]
[1] "annonces/IDF_0121.html"
[[26]]
[1] "annonces/Normandie_0416.html"
[[27]]
[1] "annonces/Normandie_0105.html"
[[28]]
[1] "annonces/IDF_0134.html"
[[29]]
[1] "annonces/IDF_0238.html"
[[30]]
[1] "annonces/Normandie_0029.html"
[[31]]
[1] "annonces/Normandie_0011.html"
[[32]]
[1] "annonces/IDF_0379.html"
[[33]]
[1] "annonces/IDF_0287.html"
[[34]]
[1] "annonces/Normandie_0062.html"
[[35]]
[1] "annonces/Normandie_0252.html"
[[36]]
[1] "annonces/Normandie_0398.html"
[[37]]
[1] "annonces/IDF_0078.html"
[[38]]
[1] "annonces/IDF_0049.html"
[[39]]
[1] "annonces/IDF_0057.html"
[[40]]
[1] "annonces/IDF_0200.html"
[[41]]
[1] "annonces/Normandie_0255.html"
[[42]]
[1] "annonces/IDF_0275.html"
[[43]]
[1] "annonces/IDF_0121.html"
[[44]]
[1] "annonces/Normandie_0416.html"
[[45]]
[1] "annonces/Normandie_0105.html"
[[46]]
[1] "annonces/IDF_0134.html"
[[47]]
[1] "annonces/IDF_0238.html"
[[48]]
[1] "annonces/Normandie_0029.html"
[[49]]
[1] "annonces/Normandie_0011.html"
[[50]]
[1] "annonces/IDF_0379.html"
[[51]]
[1] "annonces/IDF_0287.html"
[[52]]
[1] "annonces/Normandie_0062.html"
[[53]]
[1] "annonces/Normandie_0252.html"
[[54]]
[1] "annonces/Normandie_0398.html"
[[55]]
[1] "annonces/IDF_0078.html"
[[56]]
[1] "annonces/IDF_0049.html"
[[57]]
[1] "annonces/IDF_0057.html"
[[58]]
[1] "annonces/IDF_0200.html"
[[59]]
[1] "annonces/Normandie_0255.html"
[[60]]
[1] "annonces/IDF_0275.html"
[[61]]
[1] "annonces/IDF_0121.html"
[[62]]
[1] "annonces/Normandie_0416.html"
[[63]]
[1] "annonces/Normandie_0105.html"
[[64]]
[1] "annonces/IDF_0134.html"
[[65]]
[1] "annonces/IDF_0238.html"
[[66]]
[1] "annonces/Normandie_0029.html"
[[67]]
[1] "annonces/Normandie_0011.html"
[[68]]
[1] "annonces/IDF_0379.html"
[[69]]
[1] "annonces/IDF_0287.html"
[[70]]
[1] "annonces/Normandie_0062.html"
[[71]]
[1] "annonces/Normandie_0252.html"
[[72]]
[1] "annonces/Normandie_0398.html"
[[73]]
[1] "annonces/IDF_0078.html"
[[74]]
[1] "annonces/IDF_0049.html"
[[75]]
[1] "annonces/IDF_0057.html"
[[76]]
[1] "annonces/IDF_0200.html"
[[77]]
[1] "annonces/Normandie_0255.html"
[[78]]
[1] "annonces/IDF_0275.html"
[[79]]
[1] "annonces/IDF_0121.html"
[[80]]
[1] "annonces/Normandie_0416.html"
[[81]]
[1] "annonces/Normandie_0105.html"
[[82]]
[1] "annonces/IDF_0134.html"
[[83]]
[1] "annonces/IDF_0238.html"
[[84]]
[1] "annonces/Normandie_0029.html"
[[85]]
[1] "annonces/Normandie_0011.html"
[[86]]
[1] "annonces/IDF_0379.html"
[[87]]
[1] "annonces/IDF_0287.html"
[[88]]
[1] "annonces/Normandie_0062.html"
[[89]]
[1] "annonces/Normandie_0252.html"
[[90]]
[1] "annonces/Normandie_0398.html"
3.2.4 Scraping d’éléments d’une page d’annonce immobilière
Travaillons maintenant sur la 1ère annonce immobilière de cette liste
#Récupérer l'URL de la 1ère annonce
urlannonce1 <- paste0("https://analytics.huma-num.fr/Robin.Cura/ScrapImmob/",liste_de_liens[1])
#Lire la page
pageannonce1 <- read_html(urlannonce1)
#Récupérer l'élément titre
pageannonce1 %>% html_element(".display-6") %>% html_text2()[1] "Maison charmante de 96 m² avec grand jardin à Châtenay-Malabry"
3.3 Scraping de la base de données sur Paris
3.3.1 Création de la liste des annonces à scrapper
Nous souhaitons maintenant obtenir une base de données complète des biens immobiliers qui contient un ensemble d’informations sur Paris.Pour ça, il nous faut la liste des urls des biens.
3.3.2 Fonctions nécessaires au scraping
Nous allons créer un ensemble de fonction qui nous permettent de scrapper ces éléments.
#Fonction d'extraction du titre court
extraire_titrec <- function(url) {
titre <- page %>% html_elements(".display-6)") %>% html_text2()
return(titre)
}
#Fonction d'extraction du titre long
extraire_titrel <- function(url) {
element <- page %>% html_elements("h5.card-title:nth-child(1)") %>% html_text2()
return(element)
}
#Fonction d'extraction de la description
extraire_description <- function(url) {
element <- page %>% html_elements(".card-text") %>% html_text2()
return(element)
}
#Fonction d'extraction du type
extraire_type <- function(url) {
element <- page %>% html_elements("ul.list-group > li:nth-child(1) > strong:nth-child(2)") %>% html_text2()
return(element)
}
#Fonction d'extraction du nombre de chambres
extraire_chambres <- function(url) {
element <- page %>% html_elements("ul.list-group > li:nth-child(2) > strong:nth-child(2)") %>% html_text2()
return(element)
}
#Fonction d'extraction du nombre de salle de bains
extraire_chambres <- function(url) {
element <- page %>% html_elements("li.list-group-item:nth-child(3) > strong:nth-child(2)") %>% html_text2()
return(element)
}
#Fonction d'extraction du nombre de la surface habitable
extraire_surf <- function(url) {
element <- page %>% html_elements("li.list-group-item:nth-child(4) > strong:nth-child(2)") %>% html_text2()
return(element)
}
#Fonction d'extraction du nombre de la surface jardin
extraire_surfj <- function(url) {
element <- page %>% html_elements("li.list-group-item:nth-child(5) > strong:nth-child(2)") %>% html_text2()
return(element)
}
#Fonction d'extraction du prix
extraire_prix <- function(url) {
element <- page %>% html_elements("li.list-group-item:nth-child(6) > strong:nth-child(2)") %>% html_text2()
return(element)
}
#Fonction d'extraction de la commune
extraire_commune <- function(url) {
element <- page %>% html_elements("div.list-group:nth-child(1) > li:nth-child(1) > strong:nth-child(1)") %>% html_text2()
return(element)
}
#Fonction d'extraction du département
extraire_commune <- function(url) {
element <- page %>% html_elements("div.list-group:nth-child(1) > li:nth-child(2) > strong:nth-child(1)") %>% html_text2()
return(element)
}
#Fonction d'extraction de la localisation
extraire_loc <- function(url){
element <-
page %>% html_elements('script') %>% # On récupère les balises de type script
html_text2() %>% # On en extrait le contenu
pluck(2) %>% # On ne garde que la 2ème balise string, qui est celle qui contient le code leaflet
str_extract(string = .,
pattern = "var annonce_coords = \\[(\\d+\\.?\\d*\\, \\d+\\.?\\d*)\\]", # regexp qui cherche les caractères "var annonce_coords = [unNombreDecimal, unAutreNombreDecimal]" et met les deux nombres décimaux dans un groupe (les parenthèses) -> "49.224678, 1.184296"
group = 1) %>% # On ne conserve que le groupe 1, donc ce qui était en parenthèse dans la regexp
str_split(pattern = ',') %>% # On découpe par la virgule -> list(c("49.224678", " 1.184296"))
pluck(1) %>% # str_split crée une liste de vecteurs, on ne garde que le premier élément -> c("49.224678", " 1.184296")
str_trim() %>% # sur chaque vecteur, on enlève les espaces en début et en fin -> c("49.224678", "1.184296")
as.numeric() # On peut enfin les convertir en numérique, et donc récupérer la latitude puis la longitude (ordre inversé de coordonnées de leaflet)
return(element)
}3.3.3 Scraping de la base
Appliquons maintenant les fonctions à la liste de biens pour constituer notre base de données
3.4 Exploration de la base de données scrappées
3.4.1 Présentation de la BD scrapée
3.4.2 Répartition par type
3.4.3 Distribution par type/prix
3.4.4 Surface moyenne
3.4.5 Nuage de mot sur les description des biens
3.4.6 Carte !
Géocodage adresse + carto
3.4.7 Export
3.4.7.1 csv
3.4.7.2 Géopackage
4 Pour aller plus loin
4.1 Rselenium
4.2 Support complet
5 Conclusion
Ouverture Le bon coin ?
Bibliographie
Annexes
Info session
| setting | value |
|---|---|
| version | R version 4.3.3 (2024-02-29) |
| os | Ubuntu 22.04.4 LTS |
| system | x86_64, linux-gnu |
| ui | X11 |
| language | (EN) |
| collate | fr_FR.UTF-8 |
| ctype | fr_FR.UTF-8 |
| tz | Europe/Paris |
| date | 2024-04-16 |
| pandoc | 3.1.1 @ /usr/lib/rstudio/resources/app/bin/quarto/bin/tools/ (via rmarkdown) |
| package | ondiskversion | source |
|---|---|---|
| rvest | 1.0.3 | CRAN (R 4.3.0) |
Citation
Auteur.e P, Auteur.e S (2021). “Titre de la fiche.” doi:10.48645/xxxxxx, https://doi.org/10.48645/xxxxxx,, https://rzine.fr/publication_rzine/xxxxxxx/.
BibTex :
@Misc{,
title = {Titre de la fiche},
subtitle = {Sous-Titre de la fiche},
author = {Premier Auteur.e and Second Auteur.e},
doi = {10.48645/xxxxxx},
url = {https://rzine.fr/publication_rzine/xxxxxxx/},
keywords = {FOS: Other social sciences},
language = {fr},
publisher = {FR2007 CIST},
year = {2021},
copyright = {Creative Commons Attribution Share Alike 4.0 International},
}
Glossaire
Le World Wide Web Consortium, abrégé par le sigle W3C, est un organisme de standardisation à but non lucratif, fondé en octobre 1994 chargé de promouvoir la compatibilité des technologies du World Wide Web telles que HTML5, HTML, XHTML, XML, RDF, SPARQL, CSS, XSL, PNG, SVG, MathML et SOAP.↩︎
HTML5 (HyperText Markup Language 5) est la dernière révision majeure du HTML (format de données conçu pour représenter les pages web). Cette version a été finalisée le 28 octobre 2014. HTML5 spécifie deux syntaxes d’un modèle abstrait défini en termes de DOM : HTML5 et XHTML5.↩︎